CC BY
49основ программирования не следует вдаваться в тонкости отдельного языка, а показать их подчинённость общим технологиям программирования; при теоретическом изучении основ САПР не привязываться к конкретному пакету, а изложить принципы формообразования при моделировании. Знание общих технологий и принципов поможет построить эффективный алгоритм для самостоятельного получения новых знаний.
Список литературы
1. Лагунова М.В., Иванова Л. А., Ежова Н. В. Организация удалённого обучения высшей математике. Проблемы и решения // Современное машиностроение. Наука и образование: материалы Международной научно-практической конференции. 25 июня 2020. - СПб: Изд-во Политех-Пресс, 2020. - с. 21-33.
2. Ситкин Д.С. Состояние подготовки студентов-механиков по дисциплине «Информатика» // Инновационные технологии, подходы и методики подготовки студентов-механиков по общепрофессиональным и специальным дисциплинам: сборник материалов научно-методической конференции. - СПб.: Изд-во Политехн. ун-та, 2010. - с. 46-49.
3. Солодилова Н.А. Новые технологии проектирования в рамках дисциплины «САПР в машиностроении» // Системный анализ в проектировании и управлении: сборник научных трудов XXIII Международной научно-практической конференции. Ч. 3. - СПб: Изд-во Политех-Пресс, 2019. - с. 391-397.
4. Солодилова Н.А., Петраш В.И. Технологии цифрового моделирования в базовом модуле подготовки бакалавров в области машиностроения // Системный анализ в проектировании и управлении: сборник научных трудов XXIV Международной научно-практической конференции. Ч. 3. - СПб: Изд-во Политех-Пресс, 2020. -С. 350-357.
УДК 004.04
doi:10.18720/SPBPU/2/id21-104
Смолина Елена Михайловна1,
аспирант,
Черненькая Людмила Васильевна ,
профессор, доктор техн. наук
ПРЕИМУЩЕСТВА ПРИМЕНЕНИЯ МЕТОДОВ ИНТЕЛЛЕКТУАЛЬНОГО АНАЛИЗА ДАННЫХ В ОБРАЗОВАНИИ
1 2
' Россия, Санкт-Петербург, Санкт-Петербургский политехнический
университет Петра Великого,
1 smolensk9595@mail.ru,
2
ludmila@qmd.spbstu.ru
Аннотация. В статье рассматривается анализ образовательных данных -направление, которое заключается в применении методов интеллектуального анализа
данных для решения различных задач в сфере образования. Приведены актуальные задачи в области анализа образовательных данных, в том числе накапливаемых в системах электронного обучения. Описаны преимущества применения методов анализа данных для всех участников образовательного процесса. Кроме того, указаны возможные сложности проведения исследований в области анализа данных.
Ключевые слова: интеллектуальный анализ данных, анализ образовательных данных, задачи анализа данных, преимущества анализа данных.
Elena M. Smolina1,
Postgraduate student;
Liudmila V. Chernenkaya2,
Professor, Doctor of Technical Science
THE BENEFITS OF APPLYING DATA MINING METHODS
IN EDUCATION
1 2
Russia, St. Petersburg, Peter the Great St. Petersburg Polytechnic Univer
1 sity, smolensk9595@mail.ru,
2
ludmila@qmd.spbstu.ru
Abstract. The article discusses the educational data mining - the direction, which is the application of data mining methods to solve various problems in the field of education. The current tasks in the field of educational data analysis are given, including a data accumulated in e-learning systems. Benefits of applying data analysis methods for all participants of educational process are described. In addition, the possible difficulties of conducting research in the field of data analysis are indicated.
Keywords: Data mining, Educational Data mining, data mining tasks, the benefits of data mining.
Введение
В условиях глобальной пандемии COVID-19 большинство учебных заведений были вынуждены перевести все учебные процессы в дистанционный онлайн режим и использовать различные платформы и системы электронного обучения. Все подобные системы накапливают большие объемы данных различного формата [1], при этом не имеют встроенных инструментов для проведения обработки собранных данных, анализа результатов и оценки процесса обучения. В связи с этим особую значимость принимают методы интеллектуального анализа данных (data mining), которые позволяют решать множество задач, используя данные, накопленные образовательными системами.
1. Задачи анализа образовательных данных
В настоящее время анализ образовательных данных (АОД) (англ. educational data mining (EDM)) можно использовать для решения различного рода задач:
Прогнозирование успеваемости. Порядок изучения дисциплины, промежуточные результаты, особенности поведения в системе электронного обучения - эти данные можно использовать для прогнозирования оценки, которую обучающийся может получить по итогам обучения. Кроме того, часто решаются задачи прогнозирования, целью решения которых является ответ на вопрос, будет ли обучающимся завершено освоение данной дисциплины [2-4].
Моделирование обучающегося. Анализируется мотивация к обучению, удовлетворенность процессом обучения, стиль обучения, порядок изучения материалов и многое другое. Данная группа задач пока только начинает свое развитие, т.к. на текущий момент инструменты для сбора и анализа подобных данных весьма ограничены и сложны в аналитике.
Выявление групп среди обучающихся. Распределение студентов на группы на основе анализа результатов и процесса их обучения [2].
Визуализация многомерных данных. Часто данные, собираемые с платформ электронного обучения, имеют сложную структуру. Анализ данных о результатах решения итогового теста является тривиальной задачей, но для того, чтобы проанализировать процесс получения студентом решения требуется исследовать данные сложных структур, при этом данные о ходе решения содержат больше информации о знаниях студента, чем собственно результат решения. Так, при решении тестовых заданий, при возможности множественного выбора существует возможность подбора правильного решения, в вопросах открытого типа интересно было бы узнать, каким образом студент получил ответ. Поэтому системы обучения должны оценивать как результат решения задачи, так и ход ее выполнения и поведение обучаемого в процессе получения решения. Сбор подобных данных порождает сложные структуры, которые непросты для анализа, поэтому часто для понимания изначальной структуры и поиска скрытых зависимостей используют визуализацию многомерных и сложных данных.
Обратная связь для преподавателей. Дистанционное обучение в сравнении с традиционным лишает возможности преподавателей оценивать и наблюдать за ходом обучения и освоения материала, преподаватели нуждаются в обратной связи для улучшения организации проведения онлайн занятий.
Организация образовательного контента. Построение учебных материалов в зависимости от потребностей группы обучающихся. Например, можно выявлять темы, которые вызывают наибольшие затруднения [5], исследовать область интересов и способностей обучающихся.
Планирование и составление расписания. Учет временного аспекта освоения обучающимся материалов и выполнения заданий.
Обратная связь для студентов. По результатам обучения важно предоставлять обратную связь для студентов, так, с помощью методов анализа данных, можно разработать персональные рекомендации по дальнейшему обучению, связанные со способностями и интересами студента.
Анализ социальных сетей. Исследование взаимоотношений между обучающимися и преподавателем или обучающимися между собой в процессе обучения.
Выявление скрытых проблем в успеваемости. Исследуя шаблоны поведения при взаимодействии с учебными материалами, можно проанализировать проблемы в обучении, в отсутствии мотивации к обучению, выявить студентов, которые пытаются обмануть систему обучения.
2. Преимущества использования анализа образовательных данных для участников образовательного процесса
Использование методов анализа образовательных данных может принести ряд преимуществ для всех его участников: обучающихся и их родителей, преподавателей, администрации систем электронного обучения или образовательных учреждений.
Для обучающихся материалы могут быть адаптированы под их текущий уровень знаний и особенности изучения. Например, студент больше обращается к текстовым, видео или графическим материалам, быстро выполняет практические задания, но несколько раз обращается к теории, часто использует паузу при просмотре видео или использует перемотки и ускорение воспроизведения. Если обучающиеся являются детьми школьного возраста, то исследования с помощью АОД помогут получить информацию для родителей о прогрессе в обучении или о возможных проблемах у ребенка.
Преподаватели могут получать информацию о том, как улучшить содержание дисциплины и ее реализацию в дистанционном формате, что позволит студентам проявлять интерес к обучению и повысит мотивацию к окончанию обучения.
Администрация систем электронного обучения получает информацию для оценки эффективности отдельных дисциплин или всего образовательного процесса. Это позволяет оценивать систему обучения и улучшать ее путем выработки правил реализации образовательных программ, внедрения новых программ обучения или исключения неэффективных.
3. Сложности при выполнении анализа образовательных данных
При использовании методов интеллектуального анализа данных в сфере образования важно учитывать некоторые ограничения и анализировать возможные проблемы:
Как и какие данные необходимо накапливать? Предварительный анализ необходимости сбора конкретных данных порой является затруднительной и затратной задачей, важно понимать, какие данные нужно собирать с целью дальнейшего анализа, а какие данные на данном этапе собирать не стоит, так как их анализ будет слишком трудоемким.
Технические ограничения. Недостаточно принять решение о необходимости собирать данные, важно решить такие вопросы как хранение и управление накапливаемыми данными.
Информационная безопасность. Необходимо учитывать правила информационной безопасности и этические нормы. При использовании образовательных данных необходимо контролировать доступ к этим данным, а также информировать обучающихся о том, что данные, которые они предоставляют в системе электронного обучения, могут использоваться для анализа.
Специфика предметной области или образовательного учреждения. Исследования данных по реализации образовательных программ могут быть непосредственно связаны с предметной областью изучаемых дисциплин (что требует определенной осведомленности в конкретной сфере), местом выполнения исследования, временем их проведения. Так, например, результаты студентов, которые обучаются в ведущих высших учебных заведениях, могут не совпадать с результатами обучающихся из образовательных учреждений другого уровня подготовки.
Заключение
Таким образом, в статье рассмотрена проблема необходимости исследования образовательных данных, которые накапливаются системами электронного обучения. Приведены актуальные задачи управления данными в сфере образования, для решения которых могут использоваться методы data mining.
В рамках исследования были также выявлены основные преимущества применения анализа образовательных данных для всех участников процесса обучения: обучающихся, преподавателей, администраторов систем управления обучением. Были рассмотрены основные проблемы и ограничения, с которыми можно столкнуться при использовании методов анализа образовательных данных.
Для решения задач, рассмотренных в данной статье, с помощью приведенных методов интеллектуального анализа данных можно разрабатывать инструменты, которые могут быть впоследствии встроены в системы электронного обучения или использоваться независимо. Важно учитывать, что, если использование подобных инструментов будет встроено в системы электронного обучения, они должны быть адаптиро-
ваны для пользователей, которые не имеют опыта в области применения математических методов анализа данных.
Список литературы
1. Смолина Е.М., Черненькая Л.В., Методы интеллектуального анализа данных в задачах оценки качества дистанционного образования. Наука и бизнес: пути развития. 2021. - № 3(117). - C.72-75.
2. Нестеров С.А., Смолина Е.М. Оценка результатов проведения массового открытого онлайн курса с использованием методов интеллектуального анализа данных. Информатика, телекоммуникации и управление. - 2020. - Т. 13. - №1. - C. 65-78. DOI: 10.18721/JCSTCS.13106.
3. Villanueva A., Moreno L.G., Salinas M.J. Data Mining techniques applied in educational environments: Literature review. Digital Education Review. - 2018. - Vol. 33. -P.235-266.
4. Rechinskiy, A.V., Chernenkaya, L.V., Mager, V.E. System for Quality Assurance of Study Programs in the Area of Engineering Education. 2020 5th International Conference on Information Technologies in Engineering Education, Inforino 2020 - Proceedings, 2020, 9111706.
5. Tabaa Y., Medouri A. LASyM: A learning analytics system for MOOCs. Internat. J. of Advanced Computer Science and Applications. - 2013. - Vol. 4. - Issue 5. - p. 113-119. DOI: 10.14569/IJACSA.2013.040516.
УДК 330.1
doi:10.18720/SPBPU/2/id21-105
Вдовина Елена Константиновна1,
доцент Кафедры экономической теории, кандидат педагогических наук, доцент;
Попова Нина Васильевна , профессор Высшей школы лингводидактики и перевода, доктор педагогических наук, профессор;
Коган Марина Самуиловна , доцент Высшей школы лингводидактики и перевода, кандидат технических наук, доцент; Шипунова Ольга Дмитриевна4, профессор Кафедры общественных наук, доктор философских наук, профессор
СИСТЕМНЫЙ ПОДХОД В ИНЖЕНЕРНОМ ОБРАЗОВАНИИ ПРИ ОБУЧЕНИИ ИНОСТРАННОМУ ЯЗЫКУ
12'3'4 Россия, Санкт-Петербург, Санкт-Петербургский политехнический
университет Петра Великого,
1 evdovina@spbstu.ru,
2 ninavaspo@mail.ru,
3 m_kogan@inbox.ru,
